الگوهای جهش هماهنگ منطقه ای و زمانی در پروتئین سنبله SARS-COV-2 که توسط یک خوشه بندی و تجزیه و تحلیل شبکه نشان داده شده است

SARS-CoV-2 has steadily mutated during its spread to>300 میلیون نفر در سراسر جهان. WHO دارای سویه هایی با جهش های خاص ، "انواع نگرانی" (VOC) است ، زیرا ممکن است عفونت بالاتری داشته باشد و/یا در برابر خنثی سازی توسط آنتی بادی های موجود در سرم افراد واکسینه شده و بیماران متجاوز مقاومت کند. روشهای تشخیص VOC در حال ظهور منطقه برای هدایت درمان و طراحی واکسن مورد نیاز است. تجزیه و تحلیل خوشه ای و شبکه به بیش از 1. 2 میلیون دنباله پروتئین سنبله SARS-COV-2 از 36 کشور در پایگاه داده GISAID اعمال شد. در حالی که برخی از جهش ها به سرعت در سراسر جهان گسترش می یابند ، گروه های خاص از نظر منطقه ای مشخص شدند. سویه های گردش در هر کشور حاوی مجموعه های مختلفی از جهش های فرکانس بالا بودند که بسیاری از آنها VOC شناخته شده بودند. جهش در خوشه ها به طور همزمان در فرکانس افزایش می یابد. فرکانس پایین ، اما جهش های بسیار همبسته تشخیص داده شده توسط این روش می توانند VOC های در حال ظهور را نشان دهند ، به خصوص اگر در فرکانس بالاتر در مناطق دیگر رخ دهند. یک نسخه خودکار از روش ما برای یافتن جهش های فرکانس بالا در مجموعه ای از توالی سنبله SARS-COV-2 به صورت آنلاین در http://curie. utmb. edu/sar. html در دسترس است.

معرفی

عفونت Coronavirus (COVID-19) ، ناشی از سندرم حاد شدید تنفسی Coronavirus 2 (SARS-COV-2) 1،2 اکنون در سراسر جهان گسترش یافته است ، و باعث بیش از 300 میلیون مورد تأیید شده و 5 میلیون مرگ در سراسر جهان (https: //coronavirus. jhu. edu/). پروتئین سنبله SARS-COV-2 80 ٪ با ویروس SARS یکسان است که باعث مرگ بسیاری در آسیا در حدود سال 2003 3 و دارای ساختار سه بعدی مشابه 4 است. هر دو SAR با استفاده از گیرنده آنزیم 2 آنژیوتانسین تبدیل کننده آنزیم 2 (ACE2) برای اتصال سلول های 5 ، خود را از سایر β-coronaviruses متمایز می کنند. پروتئین سنبله SARS-COV-2 توسط آنتی بادی های جدا شده از بازماندگان SARS-COV-1 6،7،8 شناخته می شود اما ممکن است توسط همان آنتی بادی ها خنثی نشود. اگرچه واکسن های فعلی همه بر اساس یک منزوی است (Wuhan ، 2019) ، SARS-COV-2 متعاقباً در طی میلیون ها عفونت انسانی به مخلوطی از سویه ها تبدیل شده است. تقریباً تمام سویه های در حال گردش در حال حاضر حاوی یک تغییر از دنباله اصلی Wuhan ، D614G هستند که ممکن است توانایی ویروس ها را برای فرار از پاسخ ایمنی 9،10 تغییر دهد. سویه های حاوی سایر جهش هایی که در منطقه ای با فرکانس بالا رخ می دهند ، توسط سازمان بهداشت جهانی به عنوان "انواع نگرانی" شناخته شده اند (https://www. cdc. gov/coronavirus/2019-ncov/variants/variant-info. html#concececeer) ، زیرا آنها به عنوان آنتی بادی های موجود در سرم بیماران مبتلا به قشر یا واکسن ها به طور مؤثر خنثی نمی شوند. این موارد شامل سویه های B. 1. 1. 25 در استرالیا ، B1. 1. 7 در انگلستان 11 ، P. 1 و P2 در برزیل 12 ، B1. 351 در آفریقای جنوبی 13 ، B1. 617 در هند 14،15 و B. 1. 526 در ایالات متحده است. 16،17VOC ها که در ابتدا در انگلیس ، آفریقای جنوبی و برزیل مشخص شده اند ، اکنون در 18،19 ایالات متحده نیز رایج است. برنامه های درمانی باید اطلاعات کرنش را در نظر بگیرند ، به عنوان مثال نوع آفریقای جنوبی B. 1. 351 در برابر خنثی سازی توسط پلاسما قریب به اتفاق از بازماندگان COVID-19 و درمان های آنتی بادی مونوکلونال 20،21،22 مقاوم است. مطالعات آزمایشگاهی با شبه ویروس ها نشان می دهد که سرم افراد واکسینه شده توانایی خنثی کردن سایر انواع متداول ، از جمله E484K و N501Y 23،24 را کاهش داده است ، نشان می دهد که این موارد باید در واکسن های آینده گنجانده شود.

در حالی که VOC ها با الگوی جهش مشخص می شوند، هیچ نظریه روشنی در مورد اینکه کدام تغییرات جبرانی یا افزایشی در توانایی آنها برای تغییر عفونت، پاتوژنز یا مقاومت ویروس است، وجود ندارد. به عنوان مثال، تجزیه و تحلیل اولیه ما از 1. 8 میلیون توالی سنبله SARS-CoV-2 از پایگاه داده GISAID بیش از 350 نوع اسید آمینه را نشان داد که حدود 100 نوع آن در حوزه اتصال گیرنده (RBD) رخ می دهد. برای شناسایی سیستماتیک گروه هایی از جهش هایی که با هم اتفاق می افتند، یک رویکرد بیوانفورماتیک جدید برای مشخص کردن جهش های همبسته مکانی و زمانی در پروتئین اسپایک بر اساس فراوانی مشابه آن ها ایجاد کردیم. خوشه های بالاترین فرکانس شناسایی شده توسط روش غربالگری خودکار ما شامل تمام VOC های شناخته شده قبلی می شود. علاوه بر این، تجزیه و تحلیل منطقه ای و زمانی، خوشه های دیگری را نشان داد که در فرکانس در حال افزایش بودند و می توانستند VOC های نوظهور باشند. داده ها همچنین نشان می دهند که چگونه طراحی واکسن آینده می تواند برای مجموعه سویه های محلی طراحی شود.

نتایج

جهش های عمده در پروتئین سنبله و روابط با VOCs

ما دو گروه از توالی پروتئین سنبله تمام طول را از پایگاه داده GISAID جمع آوری کردیم. گروه 1 با توالی همه کشورها و یک گروه جداگانه (گروه 2) از 36 کشور که Covid-19 به سرعت در حال گسترش بود. ده جهش برتر موجود در گروه 1 و برای دوازده کشور جداگانه در جدول 1 آورده شده است. همه 36 کشور در یک پرونده MS Excel در مواد تکمیلی نشان داده شده است (جدول SUP T2). هشت مورد از این جهش ها در گروه 1 ، یعنی D614G ، P681H ، N501Y ، T716I ، D1118H ، A570D ، S982A و A222V همچنین در اکثر کشورها به عنوان جهش فرکانس بالا یافت می شود. به خصوص ، جهش D614G ، که به عنوان جهش حاکم در اولین نوع ویروسی B. 1. 1. 7 10،27 نیز شناخته شده است ، همچنین جهش برتر در همه کشورهای خاص است. جهش D614G مسئول افزایش انتقال ویروسی 10،28 است. دومین جهش عمده موجود در اکثر کشورها ، P681H ، که باعث افزایش آمادگی ویروسی در فرآیند فیوژن می شود ، در نزدیکی محل شکاف فورین بین S1 و S2 در پروتئین سنبله 29 قرار دارد. در بعضی از کشورها به عنوان مثالهند ، این باقیمانده به P681R جهش یافته است. سایر جهش های مهم مانند N501Y ، منجر به افزایش عفونت می شود زیرا باقیمانده جهش یافته میل را به دامنه اتصال گیرنده (RBD) به گیرنده آن Ace2 30 یا جهش E484K افزایش می دهد که پاسخ ایمنی را 20،31،32،33 کاهش می دهد. سایر جهش های بسیار رتبه بندی شده در هر کشور بیشتر کشور هستند و ممکن است با زمان و مکان های جغرافیایی تحت فشار انتخابی تکامل یابد. به عنوان مثال ، جهش ها ، S13I و W152C موجود در ایالات متحده ، می توانند در خنثی سازی آنتی بادی های متصل به دامنه N ترمینال (NTD) تداخل داشته باشند ، زیرا باقیمانده های تعامل آنتی بادی W152 و R246 برای آنتی بادی خنثی کننده 4A8 برای SARS-COV- COV- شناسایی شده اند. 2 34

تجزیه و تحلیل توالی ما نشان داد که موقعیت های RBD K417 ، S494 و N501 ، که با ACE2 ارتباط برقرار می کنند و سه جهش دیگر در L452 ، S477 و E484 نزدیک به رابط ACE2 قرار دارند و ممکن است نقش مهمی در اتصال به گیرنده و آنتی بادی ها داشته باشد 8، 42،43. علاوه بر این ، این سایت توسط چندین آنتی بادی همانطور که اخیراً 44،45،46 گزارش شده است ، هدف قرار داده شده است. بیشتر جهش های موجود در پروتئین سنبله موجود در تجزیه و تحلیل ما در دامنه RBD و N- ترمینال پروتئین S1 یا نزدیک به پپتید فیوژن (به عنوان مثال T716 ، T1027 و Q1071) و دامنه CD (D1118) پروتئین S2 است. بشربیشتر باقیمانده های جهش یافته در RDB ، به جز N501 ، سطح در ساختارهای PDB ID 6M17 و 6BSB با توجه به GetArea 47،48 قرار دارند.

نکته قابل توجه ، امضاهای جهش متمایز برای کشورهای خاص وجود دارد. به عنوان مثال ، در هند ما جهش عمده ای را در موقعیت P681 پیدا کردیم اما به جای جهش H با R (71. 71 ٪). جهش R همچنین در نوع دلتا (B. 167. 2) یافت می شود. این نوع از نگرانی های عمومی قابل توجهی برخوردار است ، زیرا به دلیل افزایش انتقال و فرار ایمنی 49،50 با نرخ بالایی در بسیاری از کشورها ، از جمله ایالات متحده ، در حال افزایش است.

تجزیه و تحلیل همبستگی شاخص های جهش فرکانس در 36 کشور

ما با محاسبه فرکانسهای درصد جهش در 36 کشور مختلف 51 ، یک تجزیه و تحلیل همبستگی ، با سیتوسپ ، از 100 جهش برتر در پروتئین سنبله انجام شد. با استفاده از قطع ضریب همبستگی 0. 7 ، ما 9 خوشه اصلی را به دست آوردیم که حاوی سه یا چند اسید آمینه است (شکل 2). ما از نظر تجربی از آستانه نسبتاً کم 0. 7 برای یافتن جهش هایی که به عنوان گروه در کشورهای مختلف بوجود می آیند ، استفاده کردیم ، زیرا تعداد توالی های هر کشور متفاوت است. خوشه های موجود در این تجزیه و تحلیل برای خوشه هایی که در مکان های مختلف جغرافیایی پدیدار می شوند ، مشخصه است. برای مثال جهش های موجود در خوشه 4 (N501Y ، A570D ، P681H ، T716I ، S982A ، D1118H) عمدتاً در کشورهای اروپایی رخ می دهد ، در حالی که جهش در خوشه 6 (D80A ، D215G ، K417N ، E484K ، A701V) بیشتر از کشورهای آمریکایی جنوبی هستند. آفریقای جنوبی ، همانطور که در شکل 3 مشاهده می شود.

جهش های مشاهده شده در خوشه 4 با جهش های امضا شده در نوع آلفا مطابق با تعریف WHO مطابقت دارد. خوشه 4 همچنین شامل شش جهش عمده با شاخص فراوانی بالای 10 درصد در اکثر کشورها است. این جهش ها برای اولین بار در طول اولین موج COVID-19 در سال 2020 ظاهر شدند و همچنین در توالی هایی از کشورهای دیگر اما با فراوانی پایین (کمتر از 10٪) وجود داشتند. به طور مشابه، جهش در خوشه 6 برای نوع بتا، جهش در خوشه 3 برای نوع گاما، جهش در خوشه 2 با نوع اپسیلون مطابقت دارد، و جهش در خوشه 5 با جهش امضای اتا منطبق است. مشخصات جهش اسیدهای آمینه در پروتئین خوشه برای خوشه 4 و 6 در تمام 36 کشور در شکل 3 نشان داده شده است.، اگرچه فرکانس ها در 36 کشور متفاوت است. طرح همچنین تسلط نوع آلفا در کشورهای اروپایی و نوع بتا در آفریقای جنوبی را نشان می دهد.

بنابراین تجزیه و تحلیل خوشه ای ما به طور خودکار پنج نوع اصلی SAR-CoV-2 و جهش های امضای آن ها را شناسایی کرد. علاوه بر این، ما همچنین چند خوشه کوچک پیدا کردیم که یا خاص کشور هستند یا ممکن است به دلیل سفر افراد مثبت COVID-19 شناسایی نشده به این کشورها باشد. به عنوان مثال، جهش S13I در خوشه 2 تنها در توالی های به دست آمده از ایالات متحده، مکزیک، سریلانکا و تایوان وجود داشت، در حالی که جهش های D253G و T859N در خوشه 1 در توالی هایی از ایالات متحده، شیلی و پرو وجود داشتند.

تکامل جهش در پروتئین سنبله در طول زمان

به منظور درک تکامل پروتئین های سنبله از اولین توالی ووهان، ما شاخص های فراوانی جهش ها را برای هر ماه با استفاده از تمام توالی های گروه 2 به صورت ترکیبی محاسبه کردیم. همبستگی شاخص های فراوانی جهش ها در طول زمان و تجزیه و تحلیل خوشه ای (مقدار قطع 0. 98) با Cytoscape سه خوشه منحصر به فرد از جهش ها را با ضریب همبستگی بالا نشان داد (شکل 4a). جهش های خوشه 1 پس از ژانویه 2021 افزایش می یابند (شکل 4b، c)، و همچنان در انواع بتا و گاما ویروس کرونا در گردش هستند. فراوانی جهش ها در خوشه 2 به طور ناگهانی پس از نوامبر 2020 افزایش یافت و تا آوریل 2021 در مشخصات ویروس ثابت شد (شکل 4d). جهش D614G یک جهش پرت است و یک سازگاری منحصر به فرد قبلی را در جمعیت ویروس نشان می دهد. در مقابل، فراوانی جهش ها در خوشه 3 پس از ژوئیه 2020 افزایش می یابد و پس از نوامبر 2020 کاهش می یابد (شکل 4e).

الگوهای جهش بسیار همبسته نیز در کشورهای جداگانه ظاهر می شود

برای آشکار کردن نقش بالقوه الگوهای جهش خاص در مراحل مختلف شیوع COVID-19 در هر کشور، همبستگی و تجزیه و تحلیل خوشه ای را برای هر کشور تکرار کردیم. ما در اینجا نتایج را برای بریتانیا، ایالات متحده و هند نشان می دهیم. داده های جهش مربوط به آفریقای جنوبی، برزیل، ایتالیا و اسپانیا در مطالب تکمیلی مورد بحث قرار گرفته است.

انگلستان برای بریتانیا، مقدار برش 0. 9 سه خوشه را شناسایی کرد که هر کدام دارای مشخصات جهش متفاوتی با زمان هستند (شکل 5a). اولین خوشه از جهش های N501Y، A570D، P681H، T716I، S982A، و D1118H، امضای نوع آلفا B. 1. 1. 7، در ماه اکتبر تا نوامبر 2020 تا آوریل 2021، آخرین ماه تجزیه و تحلیل ما، به شدت افزایش یافت.. خوشه دوم، L18F، A222V، A262S، P272L و E583D در نوامبر 2020 به اوج خود رسید و به تدریج به سطح ژوئن 2020 خود در فوریه 2021 کاهش یافت. خوشه سوم (T95I، G142D، E414K، و Q414K، و Q414K، و A71)برخی جهش های مشترک با نوع کاپا (B. 1. 167. 1) که برای اولین بار در هند یافت شد (جهش E484Q)، تنها 1-2٪ از توالی های بریتانیا را در آوریل نشان داد، اما به تدریج در بریتانیا افزایش می یابد. بنابراین، ترکیب همبستگی و تحلیل شبکه ما می تواند خوشه های جهش را با فرکانس های پایین و پتانسیل ظهور شناسایی کند.

ایالات متحده برای به دست آوردن خوشه های جدا شده از داده های ایالات متحده ، مقدار برش به 0. 98 افزایش یافته است. یک خوشه فرکانس بالا با N501Y ، A570D ، P681H ، T716I ، S982A ، D1118H و یک متوسط (10-20 ٪) ، با جهش های L5F ، T95I ، E484K و A701V بر داده ها حاکم بودند (شکل 5B). انواع اخیر نیویورک و کالیفرنیا B. 1. 526 و B. 1. 427/B. 1. 429 همه حاوی E484K هستند ، با نوع CA همچنین توسط S13I ، W152C و L452R (خوشه سوم) مشخص شده است. جهش های CA برای اولین بار در OCT ظاهر شد ، در ژانوی ه-FEB 2021 به اوج خود رسید و در MA R-APRIL21 کاهش یافت.

بحث

از زمان ظهور Coronavirus SARS در ووهان (چین) در دسامبر سال 2019 ، انفجار داده های توالی برای SARS-COV-2 توسط بسیاری از گروه های تحقیقاتی جمع آوری شده است. بانک اطلاعاتی GISAID 52 ، برای اولین بار برای داده های توالی برای شیوع آنفلوانزا ایجاد شده است ، تا به پایگاه داده اصلی دسترسی به داده های ژنومی توالی SARS-COV-2 تبدیل شود. ما در اینجا نشان می دهیم که روش ما می تواند از این داده ها برای پیروی از تکامل ویروس در سطح جهان یا در کشورهای جداگانه استفاده کند.

روش خودکار ما خوشه های جهش را به عنوان تابعی از زمان و مکان ها مستقیماً از پایگاه داده دنباله شناسایی کرد. ما همچنین نشان دادیم که روش ما برای پیش بینی انواع در حال ظهور آینده SARS-COV-2 ، که می تواند مستقیماً با الگوهای جهش خاص مشخص شود ، مستقل از استفاده از یکی از سیستم های مختلف نامگذاری که می تواند گیج کننده باشد ، مفید است. مرکز کنترل و پیشگیری از بیماری ایالات متحده (CDC) انواع مختلف را با حروف یونانی متمایز می کند در حالی که تیم NextStrain (https://nextstrain. org/sars-cov-2) پیشنهاد می کند که از 18 کلاد اصلی از 19 A تا 21F 19B استفاده کنید. و 20A-20I. سیستم Pangolin 53 از یک سیستم سلسله پویا با دو کلاد A و B استفاده می کند که بیشتر در یک سیستم سلسله مراتبی با زیر گروه های بیشتر با نامگذاری عددی مانند B. 1. 1 تقسیم می شوند. به عنوان مثال ، VOC برای اولین بار در انگلستان توسط CDC به عنوان نوع آلفا و در سیستم Pangolin به عنوان Lineage B. 1. 1. 7 11 گفته می شود. سایر VOC های آفریقای جنوبی به عنوان B. 1. 351 22 ، از برزیل به عنوان ص 54 ، از کالیفرنیا به عنوان B. 1. 429 18 ، و از هند به عنوان B. 1. 617 14 مشخص شده است.

ابزار خودکار بیوانفورماتیک که در اینجا معرفی می کنیم می تواند در شناسایی الگوهای اصلی جهش ، نه فقط با توجه به وقوع فردی آنها بلکه به همبستگی آنها با سایر جهش ها کمک کند. رویکرد ما ، ترکیبی از همبستگی و تجزیه و تحلیل شبکه الگوهای جهش های دوردست را که در کنار هم اتفاق می افتند ، نشان داد و چندین VOC شناخته شده با اهمیت بالایی را که توسط CDC مشخص شده است ، شناسایی کرد. به ویژه منافع VOC هایی هستند که ممکن است استفاده آینده از واکسن ها را بر اساس ژنوم اصلی SARS-COV-2 35،55،56 تهدید کنند. ما نتایج این روش را برای پروتئین سنبله ، آنتی ژن اصلی Coronaviruses SARS نشان می دهیم ، اما این روش همچنین می تواند برای سایر پروتئین های SARS-COV-2 و برای همبستگی در ژنهای مختلف مفید باشد.

مواد و روش ها

تجزیه و تحلیل توالی

ما همه توالی سنبله SARS-COV-2 را از پایگاه داده GISAID (انتشار آوریل 2021) 52 بارگیری کردیم که شامل 1،247،171 سکانس سنبله SARS-COV-2 بایگانی شده در 16 ماه گذشته تا آوریل 2021 است.<1000 residues in length or those with>100 باقیمانده ناشناخته یا گمشده (مشخص شده به عنوان X) از مجموعه داده ها حذف شدند تا 1،180،646 توالی پروتئین سنبله تمام طول در همه کشورها (گروه 1) داشته باشند. یک گروه جداگانه (گروه 2) با توالی پروتئین سنبله از 36 کشور جهان که COVID-19 به سرعت در حال گسترش بود ، انتخاب شد. توالی پروتئین سنبله در گروه 1 و گروه 2 در هر ماه مورد بررسی قرار گرفت تا فرکانس جهش برای هر باقیمانده تعیین شود. برنامه CD-HIT 57 (نسخه 4. 8. 1) برای خوشه بندی توالی همه گروه ها با استفاده از هویت توالی 100 ٪ استفاده شد. از برش هویت 100 ٪ توالی برای یافتن تمام توالی هایی که حداقل یک جهش دارند استفاده شد. پس از خوشه بندی ، یک دنباله نماینده از هر یک از 1000 خوشه برتر (در صورت موجود بودن ، در غیر این صورت از حداکثر تعداد خوشه های مشاهده شده استفاده شد) انتخاب شد. در هر مجموعه داده ، مجموعه ای از توالی ها با توالی پروتئین سنبله جدا شده از ووهان تراز شدند (GenBank ID QHR63260. 2). تراز توالی چندگانه با استفاده از برنامه عضلانی 58 تولید شد و داده ها برای به دست آوردن فرکانس جهش مورد تجزیه و تحلیل قرار گرفت (P_i) در هر موقعیت در تراز دنباله. پ_iبه عنوان ... تعریف شده است

جایی که n_منتعداد کل توالی های دارای این جهش در خوشه است و کل تعداد کل توالی های موجود در خوشه های مورد استفاده در تراز است.

تجزیه و تحلیل همبستگی

به منظور توصیف همبستگی بین جهش های مختلف اسید آمینه ، ما ضرایب همبستگی را محاسبه کردیم (r_xy) بین جهش ها

$$<mathrm>_<mathrm> =frac__-sum _sum _><sqrt_^-<(sum _)>^> sqrt^>>$$

جایی که x_منو y_منفرکانس جهش (PI) دو جهش است. برای تعیین همبستگی های جغرافیایی ، تجزیه و تحلیل برای شاخص های جهش در 36 کشور انجام شد (i = 1 ،… ، 36).

همبستگی زمان (i = 1 ، ... ، 16) در طول 16 ماه از ژانویه 2020 تا آوریل 2021 برای داده های توالی برای همه کشورها و به طور جداگانه برای هر کشور جداگانه محاسبه شد.

تجزیه و تحلیل شبکه

ما از Cytoscape 51 برای خوشه بندی و تجسم داده های به دست آمده از تجزیه و تحلیل همبستگی استفاده کردیم. برای این منظور ، ما همبستگی بین همه ردیف ها را محاسبه کردیم که در آن هر ستون در یک ردیف نمایانگر شاخص فرکانس جهش در یک کشور یا یک ماه است. برای تجسم همبستگی ، داده ها به یک قالب سه ستونی قالب بندی شدند که در آن دو ستون اول دو جهش را نشان می دهند ، و ستون سوم ضرایب همبستگی آنها را نشان می دهد. داده ها با استفاده از cytoscape خوشه بندی شدند و خوشه ها با استفاده از یک طرح دایره ای مشاهده شدند.

نتیجه

در کار فعلی ما بیش از یک میلیون دنباله از پروتئین سنبله SAR-COV2 را مورد تجزیه و تحلیل قرار دادیم تا تکامل و رابطه آنها بین انواع مختلف در گردش در سراسر جهان را درک کنیم. با استفاده از خوشه بندی و تجزیه و تحلیل شبکه ، ما نشان دادیم که برخی از این جهش ها با هم تکامل یافته و نشان داده شده است که تأثیر مهمی در انتقال ، اتصال گیرنده یا فرار ایمنی دارد. جهش با شاخص های فرکانس بالا ممکن است سازگاری ویروس را منعکس کند و می تواند یک فنوتیپ ویروس را تحت تأثیر قرار دهد. با استفاده از تجزیه و تحلیل محاسباتی جدید ما ، چندین مورد را گزارش کردیم که نتایج الگوهای جهش همبسته در چندین کشور یا با گذشت زمان با جهش های امضای VOC های در حال ظهور ، در کشورهایی مانند انگلیس ، ایالات متحده ، هند و برزیل مطابقت دارد. ما همچنین جهش هایی را تشخیص دادیم که ممکن است VOC های آینده باشند. ابزار ما همچنین می تواند برای سایر محققانی که مایل به تشخیص الگوهای جهش خاص در سایر مناطق پروتئوم SARS-COV-2 هستند ، مفید باشد.

در دسترس بودن داده ها

داده های مورد استفاده برای تجزیه و تحلیل از پایگاه داده GISAID (https://www. gisaid. org/) در دسترس است. نتایج حاصل از تجزیه و تحلیل فرکانس کامل به عنوان مواد تکمیلی در دسترس است. مطالب اضافی به صورت آنلاین در http://curie. utmb. edu/covid19/ در دسترس است و WebServer برای یافتن VOC در http://curie. utmb. edu/sar. html.

منابع

1. ژو ، P. و همکاران. شیوع ذات الریه مرتبط با یک کرونوروس جدید از منشاء خفاش احتمالی. طبیعت 579 ، 270-273. https://doi. org/10. 1038/S41586-020-2012-7 (2020). ARTICLECASPUBMEDPUBMED CentralAdsGoogle Scholar
2. ژو ، ن. و همکاران. کروناویروس جدید از بیماران مبتلا به ذات الریه در چین ، 2019. N. Engl. J. Med. 382 ، 727-733. https://doi. org/10. 1056/nejmoa2001017 (2020). ArticleCaspubMedPubmed CentralGoogle Scholar
3. Rota ، P. A. و همکاران. خصوصیات یک کرونوویروس جدید مرتبط با سندرم حاد تنفسی حاد. Science 300 ، 1394-1399. https://doi. org/10. 1126/science. 1085952 (2003). ArticleCaspubMedadsGoogle Scholar
4. دیوارها ، A. C. و همکاران. ساختار ، عملکرد و آنتی ژن SARS-COV-2 سنبله گلیکوپروتئین. سلول 181 ، 281 292. https://doi. org/10. 1016/j. cell. 2020. 02. 058 (2020). ArticleCaspubMedPubmed CentralGoogle Scholar
5. Braun ، B. A. ، Schein ، C. H. & Braun ، W. Dgraph Clusters Flaviviruses و Beta-Coronaviruses با توجه به میزبان ، نوع بیماری و گیرنده های سلول انسانی. Bioinform. بیولبینش 15 ، 1177932211020316. https://doi. org/10. 1177/1177932211020316 (2021). ArticlePubmedPubmed CentralGoogle Scholar
6. بارنز ، C. O. و همکاران. ساختار آنتی بادی های انسانی متصل به سنبله SARS-COV-2 اپی توپ های مشترک و ویژگی های مکرر آنتی بادی ها را نشان می دهد. سلول 182 ، 828-842. https://doi. org/10. 1016/j. cell. 2020. 06. 025 (2020). ArticleCaspubMedPubmed CentralGoogle Scholar
7. پینتو ، D. و همکاران. خنثی سازی متقابل SARS-COV-2 توسط یک آنتی بادی SARS-COV مونوکلونال انسانی. طبیعت 583 ، 290-295. https://doi. org/10. 1038/S41586-020-2349-y (2020). ArticleCasadSpubmedGoogle Scholar
8. WEC ، A. Z. و همکاران. خنثی سازی گسترده ویروس های مرتبط با SARS توسط آنتی بادی های مونوکلونال انسانی. Science 369 ، 731-736. https://doi. org/10. 1126/science. abc7424 (2020). ARTICLECASPUBMEDPUBMED CentralAdsGoogle Scholar
9. Mascola ، J. R. ، Graham ، B. S. & Fauci ، A. S. Sars-Cov-2 انواع ویروسی-به هدف حرکت. JAMA 325 ، 1261 1262. https://doi. org/10. 1001/jama. 2021. 2088 (2021). ArticleCaspubMedGoogle Scholar
10. کوربر ، ب. و همکاران. ردیابی تغییرات در سنبله SARS-COV-2: شواهدی مبنی بر افزایش D614G باعث افزایش عفونت ویروس COVID-19 می شود. سلول 182 ، 812-827. https://doi. org/10. 1016/j. cell. 2020. 06. 043 (2020). ArticleCaspubMedPubmed CentralGoogle Scholar
11. دیویس ، N. G. و همکاران. تخمین انتقال و تأثیر SARS-COV-2 Lineage B. 1. 1. 7 در انگلیس. Science 372 ، EABG3055. https://doi. org/10. 1126/science. abg3055 (2021).
12. Voloch ، C. M. et al. خصوصیات ژنومی یک اصل و نسب SARS-COV-2 رمان از ریو دوژانیرو ، برزیل. Medrxiv ، 2020. 2012. 2023. 20248598. https: //doi. org/10. 1101/2020. 12. 23. 20248598 (2020).
13. Tegally ، H. et al. ظهور و گسترش سریع یک سندرم تنفسی حاد شدید مربوط به Coronavirus 2 (SARS-COV-2) با جهش های متعدد سنبله در آفریقای جنوبی. Medrxiv ، 2020. 2012. 2021. 20248640. https://doi. org/10. 1101/2020. 12. 21. 20248640 (2020).
14. Yadav ، P. D. et al. خنثی سازی نوع تحت بررسی B. 1. 617 با سرم واکسن های BBV152. Biorxiv ، 2021. 2004. 2023. 441101. https://doi. org/10. 1101/2021. 04. 23. 441101 (2021).
15. Singh ، J. ، Rahman ، S. A. ، Ehtesham ، N. Z. ، Hira ، S. & Hasnain ، S. E. Sars-Cov-2 انواع نگرانی در هندوستان ظاهر می شود. نات. مدhttps://doi. org/10. 1038/S41591-021-01397-4 (2021). ArticlePubmedPubmed CentralGoogle Scholar
16. ژو ، H. و همکاران. B. 1. 526 انواع SARS-COV-2 که در شهر نیویورک مشخص شده اند توسط آنتی بادی های مونوکلونال واکسن و درمانی خنثی می شوند. Biorxiv ، 2021. 2003. 2024. 436620. https://doi. org/10. 1101/2021. 03. 24. 436620 (2021).
17. Aavajhala ، M. K. et al. یک نوع نگرانی جدید SARS-COV-2 ، B. 1. 526 ، در نیویورک مشخص شده است. Medrxiv ، 2021. 2002. 2023. 21252259. https://doi. org/10. 1101/2021. 02. 23. 21252259 (2021).
18. ژانگ ، دبلیو و همکاران. ظهور یک نوع جدید SARS-COV-2 در کالیفرنیای جنوبی. جاما 325 ، 1324-1326. https://doi. org/10. 1001/jama. 2021. 1612 (2021). ArticlePubmedPubmed CentralGoogle Scholar
19. West ، A. P. ، Baes ، C. O. ، Yang ، Z. & Bjorkman ، P. J. Sars-Cov-2 Lineage B. 1. 526 در منطقه نیویورک ظهور شده توسط ابزار نرم افزاری ایجاد شده برای پرس و جو از منظره جهش سنبله. Biorxiv ، 2021. 2002. 2014. 431043. https://doi. org/10. 1101/2021. 02. 14. 431043 (2021).
20. وانگ ، پ. و همکاران. مقاومت آنتی بادی انواع SARS-COV-2 B. 1. 351 و B. 1. 1. 7. طبیعت 593 ، 130-135. https://doi. org/10. 1038/S41586-021-03398-2 (2021). ArticleCaspubMedadsGoogle Scholar
21. لی ، س. و همکاران. انواع SARS-COV-2 501Y. V2 فاقد عفونت بالاتری هستند اما فرار ایمنی دارند. سلول 184 ، 2362-2371. https://doi. org/10. 1016/j. cell. 2021. 02. 042 (2021). ArticleCaspubMedPubmed CentralGoogle Scholar
22. Wibmer ، C. K. et al. SARS-COV-2 501Y. V2 فرار از خنثی سازی توسط پلاسما اهدا کننده COVID-19 آفریقای جنوبی. نات. مد27 ، 622-625. https://doi. org/10. 1038/S41591-021-01285-x (2021).
23. Xie ، X. و همکاران. خنثی سازی SARS-COV-2 سنبله 69/70 حذف ، انواع E484K و N501Y توسط سرم منتخب واکسن BNT162B2. نات. مد27 ، 620-621. https://doi. org/10. 1038/S41591-021-01270-4 (2021). ArticleCaspubMedGoogle Scholar
24. Muik، A. و همکاران. خنثی سازی شبه ویروس B. 1. 1. 7 از دودمان SARS-CoV-2 توسط سرم های انسانی استخراج شده توسط واکسن BNT162b2. علوم 371، 1152-1153. https://doi. org/10. 1126/science. abg6105 (2021).
25. گرینی، A. J. و همکاران. نقشه برداری جامع از جهش ها در دامنه اتصال گیرنده SARS-CoV-2 که بر تشخیص توسط آنتی بادی های پلی کلونال پلاسمای انسانی تأثیر می گذارد. سلول میزبان میکروب 29، 463-476. e466. https://doi. org/10. 1016/j. chom. 2021. 02. 003 (2021). ArticleCASPubMedPubMed CentralGoogle Scholar
26. لی، سی و همکارانتأثیر جهش های طبیعی دامنه اتصال گیرنده بر تشخیص آنتی بادی SARS-CoV-2. انتقال سیگنالهدف. آنجا6، 132. https://doi. org/10. 1038/s41392-021-00536-0 (2021). ArticleCASPubMedPubMed CentralGoogle Scholar
27. منسباخ، آر. ا. و همکاران. SARS-CoV-2 Spike نوع D614G از حالت ساختاری باز حمایت می کند. علمیAdv. 7، eabf3671. https://doi. org/10. 1126/sciadv. abf3671 (2021).
28. Hou, Y. J. و همکاران. نوع SARS-CoV-2 D614G تکثیر کارآمدی در خارج از بدن و انتقال در داخل بدن را نشان می دهد. Science 370، 1464-1468. https://doi. org/10. 1126/science. abe8499 (2020). ArticleCASPubMedPubMed CentralADSGoogle Scholar
29. هاروی، دبلیو تی و همکارانانواع SARS-CoV-2، جهش سنبله و فرار ایمنی. نات. Rev. Microbiol. 19، 409-424. https://doi. org/10. 1038/s41579-021-00573-0 (2021). ArticleCASPubMedPubMed CentralGoogle Scholar
30. استار، تی ان و همکاراناسکن جهشی عمیق دامنه اتصال گیرنده SARS-CoV-2 محدودیت هایی را در تا کردن و اتصال ACE2 نشان می دهد. سلول 182، 1295-1310. https://doi. org/10. 1016/j. cell. 2020. 08. 012 (2020).
31. ویزبلوم، ی و همکاران. فرار از آنتی بادی های خنثی کننده توسط انواع پروتئین SARS-CoV-2. eLife 9، e6131. https://doi. org/10. 7554/eLife. 61312 (2020).
32. هافمن، ام و همکاران. انواع SARS-CoV-2 B. 1. 351 و P. 1 از آنتی بادی های خنثی کننده فرار می کنند. سلول 184، 2384-2393. https://doi. org/10. 1016/j. cell. 2021. 03. 036 (2021).
33. لیو، زی و همکارانشناسایی جهش های سنبله SARS-CoV-2 که خنثی سازی آنتی بادی مونوکلونال و سرمی را کاهش می دهد. سلول میزبان میکروب 29، 477-488. https://doi. org/10. 1016/j. chom. 2021. 01. 014 (2021). ArticleCASPubMedPubMed CentralGoogle Scholar
34. چی، X. و همکاران. یک آنتی بادی انسانی خنثی کننده به دامنه N ترمینال پروتئین اسپایک SARS-CoV-2 متصل می شود. Science 369، 650-655. https://doi. org/10. 1126/science. abc6952 (2020). ArticleCASPubMedPubMed CentralADSGoogle Scholar
35. Shahhosseini ، N. ، Babuadze ، G. ، Wong ، G. & Kobinger ، G. P. امضاهای جهش یافته و در اتصال سیلیکو از انواع نگرانی های جدید SARS-COV-2. میکروارگانیسم های 9 ، 926 (2021). ArticleCaspubMedPubmed CentralGoogle Scholar
36. مک کالوم ، م. و همکاران. نقشه برداری آنتی ژنی دامنه N- ترمینال ، مکانی از آسیب پذیری برای SARS-COV-2 را نشان می دهد. سلول 184 ، 2332-2347. E2316. https://doi. org/10. 1016/j. cell. 2021. 03. 028 (2021). ArticleCaspubMedPubmed CentralGoogle Scholar
37. Bangaru ، S. et al. تجزیه و تحلیل ساختاری پروتئین سنبله SARS-COV-2 با طول کامل از یک کاندیدای پیشرفته واکسن. Science 370 ، 1089-1094. https://doi. org/10. 1126/science. abe1502 (2020). ARTICLECASPUBMEDPUBMED CentralAdsGoogle Scholar
38. Chen ، W.-H. ، Hotez ، P. J. & Bottazzi ، M. E. پتانسیل برای توسعه یک دامنه اتصال دهنده گیرنده SARS-COV (RBD) به عنوان یک واکسن انسانی هترولوگ در برابر بیماری عفونی کروناویروس (COVID) -19. هولواکسینمصون تر16 ، 1239 1242. https://doi. org/10. 1080/21645515. 2020. 1740560 (2020). ArticleCaspubMedPubmed CentralGoogle Scholar
39. Schein ، C. H. et al. پروتئین های مصنوعی برای تشخیص COVID-19. پپتیدهای 143 ، 170583. https://doi. org/10. 1016/j. peptides. 2021. 170583 (2021). ArticleCaspubMedPubmed CentralGoogle Scholar
40. یان ، R. و همکاران. مبنای ساختاری برای به رسمیت شناختن SARS-COV-2 توسط ACE2 تمام طول انسانی. Science 367 ، 1444 1448. https://doi. org/10. 1126/science. abb2762 (2020). ArticlePubmedPubmed CentralAdsGoogle Scholar
41. Duan ، L. et al. بیوسنتز گلیکوپروتئین SARS-COV-2 سنبله ، ساختار ، عملکرد و آنتی ژن: پیامدهای مربوط به طراحی ایمونوژن های واکسن مبتنی بر سنبله. جلو. ایمونول11. https://doi. org/10. 3389/fimmu. 2020. 576622 (2020).
42. Andersen ، K. G. ، Rambaut ، A. ، Lipkin ، W. I. ، Holmes ، E. C. & Garry ، R. F. منشأ پروگزیمال SARS-COV-2. نات. مد26 ، 450-452. https://doi. org/10. 1038/S41591-020-0820-9 (2020). ArticleCaspubMedGoogle Scholar
43. Singh ، A. ، Steinkellner ، G. ، Köchl ، K. ، Gruber ، K. & Gruber ، C. C. Serine 477 نقش مهمی در تعامل پروتئین سنبله SARS-COV-2 با گیرنده انسان ACE2 ایفا می کند. علمیRep. 11 ، 4320. https://doi. org/10. 1038/S41598-021-83761-5 (2021). ARTICLECASPUBMEDPUBMED CentralAdsGoogle Scholar
44. LV ، Z. و همکاران. مبنای ساختاری برای خنثی سازی SARS-COV-2 و SARS-COV توسط یک آنتی بادی درمانی قوی. Science 369 ، 1505-1509. https://doi. org/10. 1126/science. abc5881 (2020). ArticleCaspubMedadsGoogle Scholar
45. جو، بی و همکارانآنتی بادی های خنثی کننده انسانی ناشی از عفونت SARS-CoV-2. طبیعت 584، 115-119. https://doi. org/10. 1038/s41586-020-2380-z (2020). مقالهCASPubMedADSGoogle Scholar
46. Niu, L., Wittrock, K. N., Clabaugh, G. C., Srivastava, V. & Cho, M. W. چشم انداز ساختاری آنتی بادی های خنثی کننده علیه دامنه اتصال گیرنده SARS-CoV-2. جلو. ایمونول. https://doi. org/10. 3389/fimmu. 2021. 647934 (2021).
47. Negi, S. S., Schein, C. H., Oezguen, N., Power, T. D. & Braun, W. InterProSurf: یک وب سرور برای پیش بینی سایت های در حال تعامل بر روی سطوح پروتئینی. بیوانفورماتیک 23، 3397-3399. https://doi. org/10. 1093/bioinformatics/btm474 (2007). ArticleCASPubMedGoogle Scholar
48. Fraczkiewicz, R. & Braun, W. محاسبه تحلیلی دقیق و کارآمد از سطح قابل دسترس و گرادیان آنها برای ماکرومولکول ها. جی. کامپیوتر. شیمی. 19، 319-333. https://doi. org/10. 1002/(SICI)1096-987X(199802)19:3%3c319::AID-JCC6%3e3. 0. CO; 2-W (1998). ArticleCASGoogle Scholar
49. Callaway، E. Delta نوع ویروس کرونا: دانشمندان برای تأثیر آماده می شوند. طبیعت 595، 17-18. https://doi. org/10. 1038/d41586-021-01696-3 (2021). مقالهCASPubMedADSGoogle Scholar
50. آرورا، پی و همکاران. افزایش ورود سلول های ریه B. 1. 617. 2 و فرار از آنتی بادی های ناشی از عفونت و واکسیناسیون BNT162b2. bioRxiv , 2021. 2006. 2023. 449568. https://doi. org/10. 1101/2021. 06. 23. 449568 (2021).
51. شانون، پی و همکاران. Cytoscape: یک محیط نرم افزاری برای مدل های یکپارچه شبکه های تعامل بیومولکولی. ژنوم Res. 13، 2498-2504. https://doi. org/10. 1101/gr. 1239303 (2003). ArticleCASPubMedPubMed CentralGoogle Scholar
52. Elbe, S. & Buckland-Merett, G. Data, بیماری و دیپلماسی: سهم نوآورانه GISAID در سلامت جهانی. چالش جهانی. 1، 33-46. https://doi. org/10. 1002/gch2. 1018 (2017). مقاله Google Scholar
53. Rambaut، A. و همکاران. یک پیشنهاد نامگذاری پویا برای دودمان SARS-CoV-2 برای کمک به اپیدمیولوژی ژنومی. نات. میکروبیول. 5، 1403-1407. https://doi. org/10. 1038/s41564-020-0770-5 (2020). ArticleCASPubMedPubMed CentralGoogle Scholar
54. فاریا، N. R. و همکاران. ژنومیک و اپیدمیولوژی دودمان P. 1 SARS-CoV-2 در مانائوس، برزیل. علوم 372، 815-821. https://doi. org/10. 1126/science. abh2644 (2021).
55. بکر، ام و همکاران. پاسخ ایمنی به انواع نگران کننده SARS-CoV-2 در افراد واکسینه شده. نات. اشتراک. 12، 3109. https://doi. org/10. 1038/s41467-021-23473-6 (2021). ArticleCASPubMedPubMed CentralADSGoogle Scholar
56. Plante ، J. A. et al. Gambit Variant: حرکت بعدی Covid-19. میکروب میزبان سلول 29 ، 508-515. https://doi. org/10. 1016/j. chom. 2021. 02. 020 (2021). ArticleCaspubMedPubmed CentralGoogle Scholar
57. Li ، W. & Godzik ، A. CD-Hit: یک برنامه سریع برای خوشه بندی و مقایسه مجموعه های بزرگ توالی پروتئین یا نوکلئوتیدی. بیوانفورماتیک 22 ، 1658-1659. https://doi. org/10. 1093/bioinformatics/btl158 (2006). ArticleCaspubMedGoogle Scholar
58. Edgar ، R. C. Muscle: تراز توالی چندگانه با دقت بالا و توان بالا. هستهاسیدها Res. 32 ، 1792-1797. https://doi. org/10. 1093/nar/gkh340 (2004). ArticleCaspubMedPubmed CentralGoogle Scholar

منابع مالی

این کار تا حدی توسط کمک هزینه ای از موسسه ملی بهداشت [R01 AI137332] پشتیبانی شد.< Pan> Plante ، J. A. et al. Gambit Variant: حرکت بعدی Covid-19. میکروب میزبان سلول 29 ، 508-515. https://doi. org/10. 1016/j. chom. 2021. 02. 020 (2021). ArticleCaspubMedPubmed CentralGoogle Scholar